一、背景
赛题说明:
出租车作为城市客运交通系统的重要组成部分,以高效、便捷、灵活等优点深受居民青睐。出租车每天的运营中会产生大量的上下车点位相关信息,对这些数据进行科学合理的关联和挖掘,对比在工作日以及休息日、节假日的出租车数据的空间分布及其动态变化,对出租车候车泊位、管理调度和居民通勤特征的研究具有重要意义。
- 出租车/网约车:上下车地点挖掘;
- 出租车/网约车:不同日期的空间变化;
- 出租车/网约车:泊车和调度问题;
赛题任务:
根据赛事方提供的出租车(包括巡游车和网约车)GPS和订单数据
- 一综合应用统计分析方法对所提供的巡游车和网约车运营的时间、空间分布特征进行量化计算,包括计算两年的每年工作日取日平均,非工作日取日平均和节假日取日平均,三种类型各自平均的时变分布变化,三种时间类型按网格划分的平均空间分布(网格划分颗粒度选手自选),并分别对比分析所提供的网约车、巡游车,计算两年每年按工作日取日平均,非工作日取日平均和节假日取日平均三种类型的日均空驶率、订单平均运距、订单平均运行时长、上下客点分布密度等时变特性。
赛题思路:
数据介绍
赛题数据分为四类:
- 巡游车GPS数据(2019年、2020年);
- 巡游车订单数据(2019年、2020年);
- 网约车GPS数据(2019年、2020年);
- 网约车订单数据(2019年、2020年);
数据读取
因为数据都是按照时间进行划分的,所以可以分别读取单个文件完成数据分析,比如,可以先完成巡游车taxiGps20190531.csv数据分析,进而可以直接将分析逻辑应用到taxiGps20190601.csv文件中。
由于赛题给定的数据集文件都比较大,文件行数都比较多,如果完全进行读取可能会让电脑卡死,内存爆炸,可以
- 只读部分文件,读取单个文件完成数据分析;
1、以巡游车GPS数据读取为例进行说明:
- 通过read_csv函数输入路径和nrows设置读取的文件行数;
- nrows可以取值为数值或者None,前者数值控制行数,后者读取所有(默认是读取所有);
- 读取完成后的数据为DataFrame形式,可以通过describe()函数完成描述型分析;
#文件读取行数
max_rows=100000
taxigps2020=pd.read_csv(os.path.join(filepath,'taxiGps20200619.csv'),nrows=max_rows)
taxigps2020.describe()
taxigps2020.info()
通过Info()函数,我们可以发现,现在读取的10w条数据已经占用5MB的内存,我们也可以完成数据字段压缩的操作,将字段类型根据取值进行修改,压缩内存使用需求。
taxigps2020=pd.read_csv(os.path.join(filepath,'taxiGps20200619.csv'),nrows=max_rows
,dtype={
'RUNNING_STATUS':np.uint8, #int64
'GPS_SPEED':np.float32, #float64
'DRIVING_DIRECTION':np.uint16, # int64
# GPS_DATE object
' LONGITUDE':np.float32 , # float64
'LATITUDE':np.float32# float64
# CARNO object
})
taxigps2020.info()
把该表字段逆序显示
taxigps2020=taxigps2020[taxigps2020.columns[::-1]]
为方便查看数据,对GPS数据进行排序,
taxigps2020.sort_values(by=['CARNO','GPS_DATE'],inplace=True)
taxigps2020.reset_index(inplace=True,drop=True)# 注意如果不加drop=True则会新多出一列字段名为‘index’的列
taxigps2020.head()
多个文件(多天)可以直接将文件进行拼接即可,下面以巡游车2020年6月18日和6月19日两天数据为例进行拼接
#出租车2020年GPS
taxigps2020_=pd.concat([pd.read_csv(os.path.join(filepath,'taxiGps20200618.csv'),
nrows=max_rows,
dtype={
'RUNNING_STATUS':np.uint8, #int64
'GPS_SPEED':np.float16, #float64
'DRIVING_DIRECTION':np.uint16, # int64
# GPS_DATE object
' LONGITUDE':np.float32 , # float64
'LATITUDE':np.float32# float64
# CARNO object
}),
pd.read_csv(os.path.join(filepath,'taxiGps20200619.csv'),nrows=max_rows,
dtype={
'RUNNING_STATUS':np.uint8, #int64
'GPS_SPEED':np.float16, #float64
'DRIVING_DIRECTION':np.uint16, # int64
# GPS_DATE object
' LONGITUDE':np.float32 , # float64
'LATITUDE':np.float32# float64
# CARNO object
})
])
taxigps2020_=taxigps2020_[taxigps2020_.columns[::-1]]
taxigps2020_.sort_values(by=['CARNO','GPS_DATE'],inplace=True)
taxigps2020_.reset_index(inplace=True,drop=True)
查看一下拼接后的数据大小
发现行数只有20w?这难道只是拼接了指定的行数,那剩下的行数怎么办?
2、巡游车订单读取
2.1 巡游车订单数据单个文件读取:
2.2 巡游车订单数据多个文件读取:
3、网约车GPS数据读取
4、网约车订单数据读取
后续学习将以巡游车GPS0531的数据为案例进行数据统计,另外各表的字段含义也要再理解下。
两个遗留问题以及下个任务见!